Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
やってみっか、ディープラーニング / Let's try Deep Learning
Search
moonlight-aska
May 19, 2018
0
50
やってみっか、ディープラーニング / Let's try Deep Learning
2018年5月19日開催のあたつく組合ITセミナー第1回「機械学習について」の資料です.
moonlight-aska
May 19, 2018
Tweet
Share
More Decks by moonlight-aska
See All by moonlight-aska
【入門】プロンプトの書き方のコツ / Tips for writing prompts
aska
0
160
CHATGPT。はじめの一歩 / ChatGPT. Get Started
aska
0
110
「Kingyo AI Navi」アプリ / Kingyo AI Navi App
aska
0
240
Kingo AI Navi LINEをもっと使い倒せ!!
aska
0
110
Depth画像で物体検知やってみたー。/ Objects Detection with Depth Images
aska
0
710
Kingyo AI Naviアプリ開発 / Kingyo AI Navi App
aska
0
410
AutoML Vision Edgeで金魚分類モデルを学習してみた / Kingyo Classification Model with AutoML Vision Edge
aska
0
540
AutoML Vision Edge + ML Kit for Firebase ⇒ Kingyo Classification
aska
1
670
Kingyo AI Navi
aska
0
640
Featured
See All Featured
Chrome DevTools: State of the Union 2024 - Debugging React & Beyond
addyosmani
7
730
The Pragmatic Product Professional
lauravandoore
35
6.7k
ReactJS: Keep Simple. Everything can be a component!
pedronauck
667
120k
Put a Button on it: Removing Barriers to Going Fast.
kastner
60
3.9k
Designing for Performance
lara
610
69k
実際に使うSQLの書き方 徹底解説 / pgcon21j-tutorial
soudai
PRO
181
53k
Music & Morning Musume
bryan
46
6.6k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
44
2.4k
VelocityConf: Rendering Performance Case Studies
addyosmani
332
24k
It's Worth the Effort
3n
185
28k
Making the Leap to Tech Lead
cromwellryan
134
9.4k
Designing for humans not robots
tammielis
253
25k
Transcript
やってみっか、 ディープラーニング 2018/5/19 Moonlight 明日香
自己紹介 Moonlight 明日香 鶴田 彰 外資系メーカー勤務 昔は, ・パターン認識(音声, 文字, etc)
・ユーザ適応(レコメンド, etc) なども・・・ 最近は, 週末プログラマとして また機械学習に再チャレンジ中! Facebook 鶴田 彰 Twitter @moonlight_aska Blog:みらいテックラボ http://mirai-tec.hatenablog.com Wiki : Androidプログラマへの道 ~Moonlight 明日香~ http://seesaawiki.jp/w/moonlight_aska/
本日はこの2つ 1.Deep Learningどう始める 2.事例紹介
1.Deep Learningどう始める まずはさわってみる ・チュートリアル ・初学者向け解説本
STEP1:ツールは何を選べばいい? 個人的には、Keras + TensorFlowがおススメ!! - 本やWeb記事など、参考になるものが多い - モバイルアプリやWebサービスで利用しやすい
STEP1:どんな本がおすすめ
STEP1:チュートリアルやってみる 画像認識系なら 1) MNIST --- 手書き数字認識 2) CIFAR-10 --- 一般物体認識
Fashion-MNISTなる データセットもある CIFAR-100
STEP1:GPUって必要? 画像やビッグデータ扱うならGPU必要!! 私の開発環境 ・Linuxマシン(Core i7-7700+16GBRAM+GTX-1060 6GB) ・AWS P2インスタンス(スポットで) Google CoLaboratory
・機械学習の環境構築がほぼ不要 (TensorFlow, Keras, PyTorch, Chainer) ・GPUを含めて無料で利用可能(連続12hrまで) ・Google Driveと連携
1.Deep Learningどう始める まずはさわってみる ・チュートリアル ・初学者向け解説本 独自タスクに挑戦 ・趣味から ・身近なデータ
STEP2:チュートリアルから1歩先へ 紹介1:アイドルまっしぐら@すぎゃーん TensorFlowによるディープラーニングで、アイドルの顔を識別する(2016.1.12) http://memo.sugyan.com/entry/20160112/1452558576 ・各メンバー約200枚のデータ ・CIFAR-10ベースで
STEP2:チュートリアルから1歩先へ 紹介2:農家を営む小池さん 個人農家がディープラーニングを使った「きゅうり仕分け機」を開発!(2016.8.31) https://tabi-labo.com/image/275263/43626
STEP2:チュートリアルから1歩先へ 紹介3:私の場合 TensorFlowで文字認識にチャレンジ(1)~(9) (2016.5.29~7.11) 後の事例で少し説明
1.Deep Learningどう始める まずはさわってみる ・チュートリアル ・初学者向け解説本 独自タスクに挑戦 ・趣味から ・身近なデータ スキルアップ ・コンテスト
・アプリで利用
STEP3:さらにスキルアップ 認識精度を上げるには、常套手段がある ・ ファインチューニング ・ アンサンブル学習 ・ データオーグメンテーション ・ モデル構造
・ ハイパーパラメータ調整 : わりと容易にできる!
STEP3:さらにスキルアップ ファインチューニング(Fine Tuning) ・ 既存の学習済モデル(VGG16等)の重みデータを再学習する ⇒ 少ないデータから効率よく・高精度な学習をさせることが可能 例) 一般物体データで学習 料理データで
再学習
STEP3:さらにスキルアップ アンサンブル学習(Ensemble learning) ・ 個々に学習したモデルを統合して、汎化能力を向上させる ⇒ 複数のモデルの結果から多数決をとる (三人寄れば文殊の知恵) 例) Model
1 Model 2 Model n ・ ・ ・ 統 合 分類結果 入 力
STEP3:さらにスキルアップ データオーグメンテーション(Data Augmentation) ・ 画像データに画像処理を施し、疑似データを作成する ⇒ 疑似データを用いることで、過学習を防ぎロバストなモデルに 例) オリジナル 回転(6)
射影(4) ガンマ補正(2) 平滑化(2) ノイズ付加(3) 1枚の画像 ⇒ 88パターンの画像に
STEP3:さらにスキルアップ コンテストサイト 1) SIGNATE(旧Deep Analytics) 初心者向け 2) Kaggle 世界中のデータサイエンティストが参加 https://signate.jp/
https://www.kaggle.com/competitions
STEP3:さらにスキルアップ アプリやサービスでの活用 TensorFlow Lite (2017.11.15 DP版公開) - モバイル向けのTensorFlowサブセット
TensorFlow.js (2018.3.30発表/公開) - Webブラウザ上で実行可能な機械学習ライブラリ ML Kit for Firebase(2018.5.8発表/公開) Feature On-device Cloud テキスト認識 〇 〇 顔検出 〇 バーコードスキャン 〇 画像のラベル付け 〇 〇 ランドマーク認識 〇
事例紹介1:日本語手書き認識 特徴点抽出と表現 1) 変化点の抽出 2) 文字の重心を求め, 重心が文字中央になるように文字データを拡大/縮小変換 3) 所定のピッチで特徴点を抽出. ただし,
できるだけ変化点は残すように. 特徴ベクトル
事例紹介1:日本語手書き認識 入力表現 128 d10 d11 d12 d13 d10 ' d11
' d12 ' d13 ' d20 d21 d22 d23 d20 ' d21 ' d22 ' d23 ' : : : : : : : : dN0 dN1 dN2 dN3 dN0 ' dN1 ' dN2 ' dN3 ' 0 0 0 0 0 0 0 0 : : : : : : : : 0 0 0 0 0 0 0 0 特徴点1 特徴点2 特徴点N Zero Padding ONストローク情報 OFFストローク情報
事例紹介1:日本語手書き認識 モデル構造 評価 方式 対象 1位 累積(5位) 筆点列 方式 ひらがな
97.56% 99.95% 漢字 95.95% 98.93% 画像方式 ひらがな 95.37% 99.80% 漢字 95.71% 99.13%
事例紹介2:洋服の「色」分類 第1回FR FRONTIER: ファッション画像における洋服の「色」分類 内容;24色のどれかに分類 例えば、Green こんなのもGreen White Off White
Light Gray Gray Dark Gray :
事例紹介2:洋服の「色」分類 モデル構造 評価 モデル 入力画像 精度 2入力CNN RGB+hist画像 0.666 VGG19
RGB画像 0.655 Hist画像 0.670
最後に 機械学習でどんなことができるかを知り, 自分は何を やりたいかを見つけることが大事. ここが見つからないとなかなかチュートリアルから先 へ進めない. Deep Learningを簡単に試してみたいなら,
Cloud API(Google Cloud Vision/Speech API等)を利用す るのもあり. Deep Learning始めてみましょう!
ご清聴ありがとうございました! 事例についてもう少し詳しく知りたい方は はてなブログ「みらいテックラボ」をご覧ください。 http://mirai-tec.hatenablog.com/